Bedőházi Zsolt és Biricz András az Informatika, valamint Fizika Doktori iskola hallgatói első helyen végeztek az aktív tuberkulózis mesterséges intelligenciával történő detektálásáról szóló, nemzetközi adatelemző versenyen.

A Nightingale Open Science és Wellgen Medical Co., Ltd  által szervezett rangos megmérettetésen nem először utasítja maga mögé a mezőnyt a két doktorandusz. Miért fontos olyan betegségek széles területű tudományos kutatásával foglalkozni, mint a tuberkolózis (TBC)? Mert például ez az egyik legrégebbi betegség. Emberi maradványokon már i.e. 4000-ből, állati maradványokon pedig i.e. 17 000-ből is vannak erre vonatkozóan detektált adatok. Ráadásul a tuberkulózisbacilusok által okozott betegség még egy évszázaddal ezelőtt is vezető haláloknak számított.

Ma is évente több mint 10 millió ember betegszik meg aktív TBC-ben anélkül, hogy tudomást szereznének róla. Sajnos, évente több mint 1,5 millióan halnak meg a betegség következtében, annak ellenére, hogy ez megelőzhető, kezelhető és gyógyítható betegség. Ez a vezető halálok a HIV-fertőzöttek körében is, és az antimikrobiális rezisztencia miatti halálozások egyik fő oka is a TBC.  Az aktív tuberkulózisbacilusok terjedési megfékezésének elsődleges módszere az esetek azonosítása, ugyanis felnőttek számára nincs hatékony TBC elleni vakcina.

Az ENSZ Fenntartható Fejlődési Céljai 2015 és 2025 között a tuberkolózis előfordulási arányának 50%-os, valamint a betegség miatti elhalálozások 75%-os csökkentését szeretné elérni. Sajnos a diagnózis késedelme gyakori, különösen a korlátozott erőforrásokkal rendelkező környezetben. Ez ronthatja a betegség kimenetelét, valamint elősegíti annak terjedését. A közelmúltban zajlott COVID-19 világjárvány is súlyosan befolyásolta a TBC-ellenőrzést és az egészségügyi rendszerekre gyakorolt hatásait, így a TBC okozta halálozás több mint egy évtizede először növekvő tendenciát mutat.

A genomikai vizsgálatok terén a közelmúltban elért eredmények ellenére az aktív tuberkulózisbacilusok diagnosztizálásának alappillérét továbbra is a mikroszkópos vizsgálat jelenti.

Ez a mycobacterium tuberculosis légúti köpetben történő azonosításán alapszik. Ezért olyan képzett szakemberekre van szükség, akik az összes feltételezett esetet pontosan áttekintik, ám ez a vidéki régiókban vagy fejlődő országokban nem feltétlenül áll rendelkezésre rutinszerűen. Az automatizált digitális mikroszkópia egy költséghatékony megoldásként jelent meg ennek  a problémának a kezelésére.

Egy olyan automatizált algoritmus, amely megbízhatóan képes azonosítani a mikobaktériumot a TBC-gyanús betegek mintáiban, segíthet abban, hogy gyorsabban és pontosabban diagnosztizálják a betegséget azokon a helyeken, ahol ez jelenleg nehézségekbe ütközik.

A Nightingale Open Science és Wellgen Medical Co., Ltd  által szervezett nemzetközi adatelemző versenyt  éppen azzal a céllal hozták létre, hogy elősegítse az olyan algoritmusok kifejlesztését, amelyek képesek azonosítani a bacilusokat a betegmintákban, ezzel segítve az aktív tuberkulózis diagnózisát. A kihívás célja a tuberkulózisbacilusok (Mycobacterium tuberculosis) jelenlétének kimutatása a köpetkenet tárgylemezeinek digitalizált képei alapján.

A versenyzőknek saját fejlesztésű algoritmusokkal  kellett elemezni egy olyan adathalmazt, amely több, mint 75 000 mikroszkópos képet tartalmazott Ázsia-szerte gyűjtött légúti mintákból és megállapítani, hogy a különböző mikroszkópos képek tartalmaznak-e bacilust vagy sem. A feladat kihívását az jelentette, hogy a pozitív minták jelentősen alulreprezentáltak voltak az adathalmazban (~5%), és az algoritmusnak akár csak egyetlen kis méretű bacilust is pontosan tudnia kellett azonosítani a képeken.

Bedőházi Zsolt és Biricz András az Informatika, valamint Fizika Doktori iskola hallgatói Csabai István fizikus professzor kutatócsoportjában dolgoznak, és előszeretettel mérettetik meg tudásukat nemzetközi versenyeken, ahol már számos sikert értek el.

A mostani verseny során egy olyan innovatív módszert fejlesztettek, amelyben az UNI-t, egy nemrég megjelent úgynevezett patológiai alapmodellt  használtak fel arra, hogy a képekről tömörített információt nyerjenek ki.

Ilyen modelleket nagyon változatos és hatalmas mennyiségű címkézetlen adatbázisokon történő tanítással fejlesztenek ki. Ez teszi rendkívül sokoldalúvá és széles körben alkalmazhatóvá őket. Plusz elmondható, hogy túllépnek a jelenlegi mesterséges intelligencia rendszerek hiányosságain. Nevezetesen, hogy azok gyakran csak arra a területre korlátozódnak, amelyre kifejlesztették őket. Az UNI-t például 20 különböző szövettípusból származó 100 millió digitális patológiai kép felhasználásával fejlesztették ki. Kiváló reprezentációs és általánosítási képességeinek köszönhetően azonban tudása nem csak patológiai metszetekből származó képek elemzésére korlátozódik, hanem sokoldalúan alkalmazható más különböző diagnosztikai forgatókönyvekben is. Ilyen volt például a versenyen előforduló légúti minták mikroszkópos képeinek feldolgozása.

Az UNI segítségével a képekből kinyert információt a hallgatók egy újabb lépésben, a legkorszerűbb Transformer alapú modellel vizsgálták tovább, amitt speciálisan a feladatra finomhangolva fejlesztettek. Ez a megközelítés képes az eredeti kép több kisebb régióját egyszerre venni figyelembe és az eddigi, baktériumok azonosítására alkalmazott megoldásokkal ellentétben nem igényel szakemberek általi jelöléseket a képeken. Önfelügyelt módon képes tanulni és felismerni a képeken található releváns mintázatokat.

A hallgatók által fejlesztett módszer kiemelkedő pontosságot és első díjat és vele 3000 dollárt eredményezett a versenyen.

Az elért siker az adatokat szolgáltató és intelligens digitális mikroszkópokat fejlesztő taiwani Wellgen Medical Co., Ltd cég érdeklődését is felkeltette. A cég vezetője kifejezve elismerését, a hallgatókkal egyeztetve jelenleg saját privát adathalmazán szeretné tesztelni az új módszert. Zsolt és András elmondták, hogy az ilyen és hasonló éles megmérettetések rendkívül hasznosak és tanulságosak. Ugyanis az idő és a felhő alapú platformon zajló munka költségkerete miatt csak nagyon megfontoltan lehet dolgozni. Az idő és a számítási kreditek limitációja mellett a platformon elérhető hardveres számítási kapacitás is korlátozott. Ezért a legújabb technológiák és mesterséges intelligencia modellek ismerete mellett azok optimalizációjára is kiemelt figyelmet kell fordítani.

A második hely a spanyoloké, a harmadik a kanadaiaké lett.

Források:

• Machine learning challenge to detect tuberculosis from microscopy slides
• Detecting tuberculosis using ai on the nightingale and wellgen open data set
• ttk.elte.hu